[latexpage]
Pada lesson Logistic Regression Pendahuluan akan membahas secara singkat teori dasar
Logistic regression assumptions sama dengan regression assumptions, perbedaannya logistic regression tidak linear.
Logistic regression digunakan untuk memprediksi probabilitas suatu event terjadi. Graphic dari logistic regression digambarkan dalam bentuk “s”.
Logistic Regression Model
$\frac{p(x)}{1-p(x)} = e^{(\beta_0 + \beta_1x_1 + ..+\beta_kx_k)}$
$\frac{p(x)}{1-p(x)} $ disebut juga odds, contoh: probabilitas pada coin, probabilitas untuk mendapatkan head adalah 50% dan untuk mendapatakan tail juga 50%. Sedangkan odds untuk mendapatkan head adalah $\frac{50\%}{50\%}$ atau 1:1.
Demikian juga dengan dadu, contoh odds untuk mendapatkan angka 6 adalah 1: 5.
Model diatas dapat disederhanakan lagi dengan menambahkan log pada kedua sisi. Hasilnya menjadi mirip dengan linear model yang sudah kita bahas sebelumnya.
$\log{(\frac{p(x)}{1-p(x)})} = \beta_0 + \beta_1x_1 + ..+\beta_kx_k$
atau sering ditulis menjadi
$\log{(odds)} = \beta_0 + \beta_1x_1 + ..+\beta_kx_k$